本文主要是介绍吃瓜教程-模型的评估与选择，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
- 在训练集上的误差称为训练误差（training error）或经验误差（empirical error）。
- 在测试集上的误差称为测试误差（test error）。
- 学习器在所有新样本上的误差称为泛化误差（generalization error）。
- 学习能力过强，以至于把训练样本所包含的不太一般的特性都学到了，称为：过拟合（overfitting）。
- 学习能太差，训练样本的一般性质尚未学好，称为：欠拟合（underfitting）。
训练集与测试集的划分方法
留出法
交叉验证法
自助法
性能度量
回归任务中采用了MSE作为评价函数
查准率/查全率/F1
“P-R曲线”正是描述查准/查全率变化的曲线，P-R曲线定义如下：根据学习器的预测结果（一般为一个实值或概率）对测试样本进行排序，将最可能是“正例”的样本排在前面，最不可能是“正例”的排在后面，按此顺序逐个把样本作为“正例”进行预测，每次计算出当前的P值和R值
F-Score
ROC与AUC
代价敏感错误率与代价曲线
代价曲线的绘制很简单：设ROC曲线上一点的坐标为(TPR，FPR) ，则可相应计算出FNR，然后在代价平面上绘制一条从(0，FPR) 到(1，FNR) 的线段，线段下的面积即表示了该条件下的期望总体代价
假设检验部分略
偏差与方差
在欠拟合时，偏差主导泛化误差，而训练到一定程度后，偏差越来越小，方差主导了泛化误差。
这篇关于吃瓜教程-模型的评估与选择的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
